[论文解读] Time-Aware Synthetic Control

Saeyoung Rho, Cyrus Illick+4 more|arXiv (Cornell University)|Jan 6, 2026

Advanced Causal Inference Techniques被引用 0

一句话总结

Time-Aware Synthetic Control (TASC) 引入了带卡尔曼滤波的状态空间模型，以利用面板数据中的时间趋势和低秩结构进行因果推断，在嘈杂或强趋势情形下改善反事实推断。

ABSTRACT

The synthetic control (SC) framework is widely used for observational causal inference with time-series panel data. SC has been successful in diverse applications, but existing methods typically treat the ordering of pre-intervention time indices interchangeable. This invariance means they may not fully take advantage of temporal structure when strong trends are present. We propose Time-Aware Synthetic Control (TASC), which employs a state-space model with a constant trend while preserving a low-rank structure of the signal. TASC uses the Kalman filter and Rauch-Tung-Striebel smoother: it first fits a generative time-series model with expectation-maximization and then performs counterfactual inference. We evaluate TASC on both simulated and real-world datasets, including policy evaluation and sports prediction. Our results suggest that TASC offers advantages in settings with strong temporal trends and high levels of observation noise.

研究动机与目标

• 通过利用超越干预前数据的置换不变性之外的时间结构来改进合成控制。
• 提出一个状态空间形式，强制 donor 权重和潜在因子具有稳定的时间趋势。
• 开发基于 EM 的学习，结合卡尔曼滤波和 RTS 平滑用于干预前训练和干预后反事实推断。
• 在仿真以及真实世界的政策、体育和医疗等数据集上演示 TASC 的优势。

提出的方法

• 定义一个线性高斯状态空间模型，潜在状态 x_t 与跨 donor 与 target 单位的观测 y_t。
• 通过在干预前数据上使用卡尔曼滤波和 Rauch–Tung–Striebel 平滑来进行 EM 参数学习。
• 在干预后对 target 应用带无限观测噪声的卡尔曼滤波以进行反事实推断。
• 允许在同一框架内扩展时间不变部分、季节性和多时间序列。
• 将 TASC 与 SC、RSC 和 CIM 在仿真和真实世界数据集进行比较，以评估鲁棒性和准确性。

实验结果

研究问题

• RQ1 一个带有稳定趋势的时间感知状态空间模型是否能在合成控制设置中改善反事实估计？
• RQ2 在较高观测噪声和强趋势下，显式时间结构的引入如何影响性能？
• RQ3 在干预前后阶段，基于 EM 的学习和基于卡尔曼的推断的鲁棒性特性如何？
• RQ4 TASC 的扩展（季节性、多序列）如何影响预测准确性和可解释性？

主要发现

• 在具有强时间趋势和高观测噪声的设置中，TASC 的优势会显现。
• 对时间索引进行置换会降低 TASC 的性能，而 SC 和 RSC 对时间顺序保持不变。
• TASC 对潜在维度 d 的过度估计具有鲁棒性，在嘈杂情形下甚至可超越基线。
• 在安慰剂测试和真实数据评估（政策和体育情境）中，TASC 显示具有竞争力或更优的反事实准确性，并且不确定区间更窄。